使用人工智能和多式联络数据集成,提高早产婴儿的支气管肺功能障碍预测能力

科学领域:

• 医疗信息学 医疗信息学
• 新生儿科学 新生儿科学
• 人工智能的人工智能

背景情况:

• 支气管肺功能障碍症 (BPD) 是早产婴儿常见的呼吸道疾病,受到各种产前和产后因素的影响.
• 多模式数据,包括临床,生理,成像,生物标志物和omics数据,对于理解和预测BPD至关重要.
• 人工智能 (AI) 和机器学习 (ML) 正在成为开发复杂BPD预测模型的强大工具.

研究的目的:

• 系统地审查人工智能在预测支气管肺功能障碍 (BPD) 的研究进展.
• 分析代表性AI模型和用于BPD预测的工具,评估其临床性能和局限性.
• 确定阻碍人工智能模型在BPD管理中的临床转化挑战.

主要方法:

• 在BPD预测中对AI和ML应用的系统文献综述.
• 在人工智能驱动的BPD预测模型中使用的多式联运数据源的分析.
• 评估现有的BPD预测工具,如RTI BPD结果估计器.
• 在临床实践中讨论AI翻译的PALM (预测-行动-学习-监测) 框架.

主要成果:

• 人工智能和机器学习模型显示了使用各种数据集进行BPD预测的潜力.
• 当前的人工智能模型在临床翻译方面面临挑战,包括数据标准化,可解释性和整合性.
• 该PALM框架提供了一个结构化的方法,以弥合AI预测和临床干预之间的差距.

结论:

• 人工智能在改善BPD风险预测和指导临床干预方面具有重大前景.
• 克服数据共享,隐私 (如联合学习) 和监管框架方面的挑战对于临床采用至关重要.
• 开发人工智能模型的闭环管理系统对于从预测过渡到精确,改善BPD婴儿结果的干预至关重要.